《深度学习》OpenCV轮廓检测 模版匹配 解析及实现

news2024/12/24 8:44:12

目录

一、模型匹配

1、什么是模型匹配

2、步骤

1)提取模型的特征

2)在图像中查找特征点

3)进行特征匹配

4)模型匹配

3、参数及用法

1、用法

2、参数

1)image:待搜索对象

2)templ:模板对象

3)method:计算匹配程度的方法

• TM_SQDIFF:平方差匹配法

• TM_CCORR:相关匹配法

• TM_CCOEFF:相关系数匹配法

• TM_SQDIFF_NORMED:归一化平方差匹配法

• TM_CCORR_NORMED:归一化相关匹配法

• TM_CCOEFF_NORMED:归一化相关系数匹配法

3、代码实现

运行结果为:

二、模型匹配总结

1、概念

2、主要流程

 1)选择合适的模型

 2)准备训练数据

 3)划分训练集和验证集

 4)初始化模型参数

 5)模型训练和调整

 6)模型评估

 7)模型选择

 8)模型应用


一、模型匹配

1、什么是模型匹配

        模型匹配是一种通过在图像中查找识别特定形状或物体的方法。模型匹配基于图像中的特征点,并尝试找到与预定义的模型或样本最匹配的图像区域。

2、步骤

        1)提取模型的特征

                对于模型或样本图像,使用特征提取算法(如SIFT、SURF或ORB)来检测和描述关键点和特征描述符。

        2)在图像中查找特征点

                对于待匹配的图像,同样使用相同的特征提取算法来检测和描述关键点和特征描述符。

        3)进行特征匹配

                通过计算模型特征点和待匹配图像中特征点之间的距离或相似度,找到最合适的匹配点。

        4)模型匹配

                根据特征匹配的结果,通过应用各种匹配算法(如RANSAC)来估算模型在图像中的位置和姿态。

3、参数及用法

        1、用法
cv2.matchTemplate(image, templ, method, result=None, mask=None)

        2、参数
                1)image:待搜索对象
                2)templ:模板对象
                3)method:计算匹配程度的方法
                        • TM_SQDIFF:平方差匹配法

                                该方法采用平方差来进行匹配,匹配越好,值越小,匹配越差,值越大

                        • TM_CCORR:相关匹配法

                               该方法采用乘法操作,数值越大表示匹配程度越好

                        • TM_CCOEFF:相关系数匹配法

                                数值越大表示匹配程度越好

                        • TM_SQDIFF_NORMED:归一化平方差匹配法

                                匹配越好,值越小,匹配越差,值越大

                        • TM_CCORR_NORMED:归一化相关匹配法

                                数值越大表明匹配程度越好

                        • TM_CCOEFF_NORMED:归一化相关系数匹配法

                                数值越大表明匹配程度越好

3、代码实现
import cv2
kele = cv2.imread('kele.png')  # 导入模版图片
template = cv2.imread('template.png')  # 导入模型图片
cv2.imshow('kele',kele)
cv2.imshow('template',template)
cv2.waitKey(0)

h,w = template.shape[:2]  # 获取模型高度和宽度
res = cv2.matchTemplate(kele,template,cv2.TM_CCOEFF_NORMED)  # 对模版和模型进行匹配,cv2.TM_CCOEFF_NORMED为匹配程度的方法,返回匹配结果的矩阵,其中每个元素表示该位置与模板的匹配程度
# cv2.minMaxLoc可以获取矩阵中的最小值和最大值,以及最小值的索引号和最大值的索引号
min_val,max_val,min_loc,max_loc = cv2.minMaxLoc(res)   # 获取矩阵中最小值、最大值、最小值位置的索引号、最大值位置的索引号
top_left = max_loc
bottom_right = (top_left[0] + w,top_left[1] + h)
kele_template = cv2.rectangle(kele,top_left,bottom_right,(0,255,0),2)    # 绘制矩形,图像为kele,左上角坐标为top_left,右下角坐标为bottom_right,绘制矩形的颜色为绿色,线条粗细为2

cv2.imshow('kele_template',kele_template)
cv2.waitKey(0)

运行结果为:

二、模型匹配总结

1、概念

        模型匹配(Model Fitting)是指将机器学习模型与训练数据进行拟合,使模型能够从数据中学习到最佳的参数或规律。模型匹配是机器学习中一个关键的步骤,它决定了模型的准确性和泛化能力。

        模型匹配的主要目标是通过调整模型的参数或超参数,使得模型能够更好地拟合训练数据,并且在未见过的数据上具有较好的预测能力。

2、主要流程

 1)选择合适的模型

        根据问题的特点和数据的性质,选择合适的机器学习模型。常见的模型包括线性回归、逻辑回归、决策树、支持向量机、神经网络等。

 2)准备训练数据

        将原始数据进行预处理和特征工程,包括数据清洗、特征选择、特征缩放等,以便于模型的学习和训练。

 3)划分训练集和验证集

        将原始数据划分为训练集和验证集。训练集用于模型的学习和参数调整,验证集用于评估模型的性能和选择最佳的参数。

 4)初始化模型参数

        对模型的参数进行初始化,可以使用随机初始化或者根据经验设置。

 5)模型训练和调整

        使用训练集中的数据对模型进行训练,并通过调整参数或超参数来优化模型的性能。常见的优化算法包括梯度下降、随机梯度下降、牛顿法等。

 6)模型评估

        使用验证集中的数据对训练好的模型进行评估,计算评价指标如准确率、精确率、召回率、F1分数等。

 7)模型选择

        根据模型在验证集上的表现选择最佳的模型,可以根据评价指标或交叉验证等方法进行选择。

 8)模型应用

        经过模型匹配和选择后,将最佳的模型应用到测试集或实际数据中进行预

        需要注意的是,模型匹配是一个迭代的过程,需要多次调整参数和模型结构,直到得到满意的结果。同时,模型匹配也需要考虑过拟合和欠拟合问题,以及如何平衡模型的复杂性和泛化能力。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2130099.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

利用AI驱动智能BI数据可视化-深度评测Amazon Quicksight(四)

简介 随着生成式人工智能的兴起,传统的 BI 报表功能已经无法满足用户对于自动化和智能化的需求,今天我们将介绍亚马逊云科技平台上的AI驱动数据可视化神器 – Quicksight,利用生成式AI的能力来加速业务决策,从而提高业务生产力。…

科技之光,照亮未来之路“2024南京国际人工智能展会”

全球科技产业的版图正以前所未有的速度重构,而位于中国东部沿海经济带的江浙沪地区,作为科技创新与产业升级的高地,始终站在这一浪潮的最前沿。2024年,这一区域的科技盛宴——“2024南京人工智能展会”即将在南京国际博览中心盛大…

基础的八股

JS this 全局:this指向window 函数:this指向window 对象:this指向调用它的 get、post的区别 1、写的地方不同:get在地址栏里 地址栏有多长就只能写多少、post在请求体里 没有上限 2、关于回退和刷新:get回退和刷新没问…

TCP、UDP、HTTPS、HTTP

前言 OSI七层网络 名称解释协议应用层定义了各种应用协议的数据规范 HTTP、HTTPS、SSL FTP、DNS TFTP、SMTP 表示层不同系统之间通信会话层断点续传传输层 一个电脑有许多端口,根据端口找到发送方与接收方 确保数据包完整性 TCP、UDP网络层 ARP协议:通过…

shopify主题布局layout

一、基本概念 Layout是Shopify主题中的基础结构,它决定了页面的整体框架和布局方式。通过Layout,可以统一管理和控制页面上的公共元素,如页眉(Header)、页脚(Footer)等,确保这些元素…

闯关leetcode——20. Valid Parentheses

大纲 题目地址内容 解题代码地址 题目 地址 https://leetcode.com/problems/valid-parentheses/description/ 内容 Given a string s containing just the characters ‘(’, ‘)’, ‘{’, ‘}’, ‘[’ and ‘]’, determine if the input string is valid. An input st…

批量采集电商商品详情数据接口(上货and数据分析价格库存监控等)

——在成长的路上,我们都是同行者。这篇关于电商API接口的文章,希望能帮助到您。期待与您继续分享更多API接口的知识,请记得关注Anzexi58哦! 批量采集电商商品详情数据涉及到多个方面,包括商品的上货、价格监控、库存监…

机器学习--神经网络

神经网络 计算 神经网络非常简单,举个例子就理解了(最后一层的那个写错了,应该是 a 1 ( 3 ) a^{(3)}_1 a1(3)​): n o t a t i o n notation notation: a j ( i ) a^{(i)}_j aj(i)​ 表示第 i i i 层的…

SprinBoot+Vue财务管理系统的设计与实现

目录 1 项目介绍2 项目截图3 核心代码3.1 Controller3.2 Service3.3 Dao3.4 application.yml3.5 SpringbootApplication3.5 Vue 4 数据库表设计5 文档参考6 计算机毕设选题推荐7 源码获取 1 项目介绍 博主个人介绍:CSDN认证博客专家,CSDN平台Java领域优质…

使用opencv优化图片(画面变清晰)

文章目录 需求影响照片清晰度的因素 实现降噪测试代码 锐化空间锐化Unsharp Masking频率域锐化对比测试 对比度增强常用算法对比测试 需求 对图像进行优化,使其看起来更清晰,同时保持尺寸不变,通常涉及到图像处理技术如锐化、降噪、对比度增强…

百度地图SDK Android版开发 11 覆盖物示例 4 线

百度地图SDK Android版开发 11 覆盖物示例 4 线 前言界面布局MapPolyline类常量成员变量初始值创建覆盖物移除覆盖物设置属性加载地图和释放地图 MapPolylineActivity类控件响应事件 运行效果图 前言 文本通过创建多个不同线宽的折线和大地曲线,介绍Polyline的使用…

numpy中的比较运算

目录 比较运算符 比较运算符 有两种情况会普遍使用比较运算符,一个是从数组中查询满足条件的元素,另一个是根据判断的结果执行不同的操作。 示例入下: import numpy as np arr7 np.array([[1,2,10],[10,8,3],[7,6,5]]) arr8 np.array([[2,…

整流器制造5G智能工厂物联数字孪生平台,推进制造业数字化转型

整流器制造行业作为制造业的重要组成部分,也在积极探索数字化转型的新路径。整流器,作为电力电子领域的关键元件,广泛应用于通信、工业控制、新能源等多个领域,其制造过程的智能化升级不仅关乎产品性能的提升,更是推动…

opencv使用videocapture打开视频时,依赖opencv_ffmpeg***.dll,默认必须放到执行目录,自定义目录需要重新编译opencv库

1. 找到modules下opencv_highgui模块的cap_ffmpeg.cpp 2. 找到加载opencv_ffmpeg的接口, 修改接口内opencv_ffmpeg的路径即可.

YOLOv10优改系列一:YOLOv10融合C2f_Ghost网络,让YoloV10实现性能的均衡

💥 💥💥 💥💥 💥💥 💥💥神经网络专栏改进完整目录:点击 💗 只需订阅一个专栏即可享用所有网络改进内容,每周定时更新 文章内容&#x…

基于JavaWeb开发的javaSpringboot+mybatis+layui的装修验收管理系统设计和实现

基于JavaWeb开发的javaSpringbootmybatislayui的装修验收管理系统设计和实现 🍅 作者主页 网顺技术团队 🍅 欢迎点赞 👍 收藏 ⭐留言 📝 🍅 文末获取源码联系方式 📝 🍅 查看下方微信号获取联系…

【第31章】Spring Cloud之Sentinel控制台推送规则到Nacos

文章目录 前言一、下载源码1. 下载源码 二、规则配置1. Nacos适配1.1 使用数据源1.2 复制官方案例1.3 动态规则配置中心 2. 前端路由配置3. 提示4. 编译和启动 三、测试1. 修改前2. 修改后 总结 前言 前面我们已经完成了通过nacos存储提供者流控配置文件,下面我们来…

腾讯云升级多个云存储解决方案 以智能化存储助力企业增长

9月6日,在腾讯数字生态大会腾讯云储存专场上,腾讯云升级多个存储解决方案:Data Platform 数据平台解决方案重磅发布,数据加速器 GooseFS、数据处理平台数据万象、日志服务 CLS、高性能并行文件存储 CFS Turbo 等多产品全新升级&am…

Nuxt Kit 的使用指南:模块创建与管理

title: Nuxt Kit 的使用指南:模块创建与管理 date: 2024/9/11 updated: 2024/9/11 author: cmdragon excerpt: 摘要:本文是关于Nuxt Kit的使用指南,重点介绍了如何使用defineNuxtModule创建自定义模块及installModule函数以编程方式安装模块,以增强Nuxt 3应用的功能性、…

JD18年秋招笔试疯狂数列python解答

问题如下: 链接:疯狂序列_京东笔试题_牛客网 [编程题]疯狂序列 热度指数:149 时间限制:C/C 1秒,其他语言2秒 空间限制:C/C 32M,其他语言64M 东东从京京那里了解到有一个无限长的数字序列: 1…